Torna al sito

Consulenza Intelligenza Artificiale per aziende

L'intelligenza artificiale in azienda funziona quando è collegata a un processo esistente e a dati veri. Un assistente che risponde bene in una dimostrazione e male sui documenti reali non è un problema di modello: è un problema di come gli sono stati dati i dati.

Mi occupo della parte ingegneristica: capire dove un modello linguistico produce un risultato misurabile, costruire il sistema che gli fornisce il contesto giusto, e portarlo in produzione con gli stessi criteri di affidabilità di qualunque altro software.

Dove l'intelligenza artificiale produce un ritorno misurabile e dove no

Il criterio che uso è semplice: c'è un'attività ripetitiva, che consuma tempo di persone qualificate, il cui esito è verificabile? Se sì, vale la pena provare. Se l'esito non è verificabile — se nessuno può dire se la risposta era giusta — il progetto non ha un modo di migliorare e non si saprà mai se funziona.

Casi che rientrano nel primo gruppo: cercare risposte dentro una documentazione interna vasta, classificare e smistare richieste in arrivo, estrarre dati strutturati da documenti non strutturati, preparare bozze che una persona rivede.

Casi che di solito non rientrano: decisioni con responsabilità legale, calcoli che un programma tradizionale fa in modo esatto, e qualunque cosa in cui un errore raro ma silenzioso costi più del tempo risparmiato.

Integrare un LLM nei processi aziendali: gli schemi che funzionano

In tutti e quattro i casi il modello non è il progetto: il progetto è l'integrazione con i sistemi che già usate, e la parte che verifica se il risultato è accettabile.

Sistemi RAG: rispondere sui documenti aziendali senza allucinazioni

RAG sta per retrieval-augmented generation: prima si cerca nei documenti il materiale pertinente, poi lo si passa al modello perché formuli la risposta a partire da quello. È il modo con cui si ottiene un assistente che cita fonti reali invece di inventare.

La qualità di un sistema del genere si decide quasi tutta nella fase di ricerca, non nel modello: come i documenti vengono spezzati, quali metadati si conservano, come si combinano ricerca semantica e ricerca per parole chiave. È la parte meno appariscente e quella che separa un sistema utile da una dimostrazione.

Prevedo sempre una modalità di verifica: un insieme di domande con le risposte attese, su cui misurare ogni modifica. Senza, ogni intervento è una sensazione.

Modelli in locale o servizi esterni: cosa cambia davvero

Usare le API di un fornitore esterno è più rapido da avviare e dà accesso ai modelli più capaci. In cambio i dati escono dal perimetro aziendale, il costo cresce con l'uso e si dipende da un servizio di terzi.

Eseguire i modelli su un server proprio ribalta il compromesso: nessun dato esce, il costo è quello dell'hardware, e nessuno può cambiare le condizioni del servizio. In cambio i modelli disponibili sono meno capaci di quelli di punta e l'infrastruttura va gestita.

Per chi tratta dati sensibili — studi professionali, sanità, documenti soggetti a riservatezza — la scelta spesso non è una preferenza tecnica ma un requisito. In quel caso la domanda diventa se il compito in questione è alla portata di un modello eseguibile in casa, ed è una domanda a cui si risponde provando, non discutendo.

Automazioni: dai flussi n8n alle integrazioni su misura

Non tutto ciò che si chiama «AI» ha bisogno di un modello. Molte automazioni aziendali sono catene di passaggi fra strumenti diversi, dove il modello interviene solo in uno o due punti. Per queste uso strumenti di orchestrazione come n8n, che rendono il flusso visibile e modificabile anche da chi non scrive codice.

Quando il flusso diventa critico o la logica troppo articolata, conviene passare a codice: più lavoro all'inizio, molto meno da mantenere dopo. La soglia si riconosce quando il flusso grafico comincia ad avere rami che nessuno sa più spiegare.

Come si parte

Con una prova circoscritta su un caso reale e su dati veri, con un criterio di successo deciso prima. È l'unico modo di sapere se la cosa funziona per voi, e costa molto meno che scoprirlo a progetto finito.

Se la prova va bene si passa alla produzione, che significa integrazione con i sistemi esistenti, monitoraggio della qualità delle risposte nel tempo e un percorso di rilascio come per qualunque altro software — la stessa automazione dei rilasci che uso per il resto.

Parliamone

Descrivimi in poche righe la situazione e cosa vorresti ottenere: rispondo con una prima valutazione e con le domande che servono a inquadrare il lavoro.

Raccontami il tuo progetto

Gli altri servizi